NeuroCore | Разработка ИИ

Руда врет. Рассказываем, почему Делимся свежим кейсом про руду на конвейере. У руды есть особенность: качество сырья меняется прямо на ленте, и технологам нужен быстрый цифровой сигнал об этом изменении. Наша задача: по видеопотоку с конвейера автоматически определять долю руды каждого цветового класса и передавать результат в машиночитаемом виде для оперативного контроля качества сырья на производстве. Самая сложная часть проекта была не в цвете, а в разделении потока. На первых итерациях модель различала цветовые области, но не отделяла отдельные куски руды друг от друга. А без этого нельзя корректно посчитать долю каждой фракции в общем потоке. Поэтому отдельно дорабатывали сегментацию, выравнивали цвет до инференса и расширяли датасет реальными видео с ленты. На пилотном этапе целились в 70% точности по каждому цвету. Валидировали систему на 100 видео. Кейс на сайте: раскрыли пайплайн, честно рассказали про ограничения, вызовы и результаты. Приятного чтения! #кейсы_Neurocore

В какой точке сходятся добыча руды и безопасность? На прошлой неделе наш руководитель продуктового направления Игнат Ушев успел сразу на две выставки: MiningWorld Russia и Securika Moscow. И общий вывод после обеих: рынок уже не спрашивает, что ИИ умеет "в целом". У рынка уже есть конкретные вопросы и запросы к ИИ. На MiningWorld разговор был про тяжёлую промышленность и добычу, про прикладные задачи, которые сидят в самом процессе: 🌺грансостав материала 🌺взвешивание руды на конвейере 🌺контроль того, что выходит после дробления и измельчения 🌺безопасность рядом с техникой 🌺СИЗ и работа в зоне погрузчика 🌺ТОиР и контроль состояния оборудования Это хороший маркер. Значит, отрасль формулирует запрос уже не как "хотим ИИ, не знаем, зачем", а как "вот узкое место, вот потери, вот тут нужен контроль". На Securika больше говорили про безопасность, СКУД, интеграции, офисную и объектовую инфраструктуру. Здесь все больше вопросов: "А как это встраивается в существующую систему?", "Как подружить ваш ИИ с нашими камерами?", "Где хранятся и обрабатываются данные?" Самое полезное, как обычно, было не на стендах. В разговорах с людьми, которые решают конкретные задачи сегодня - не по мессенджеру, не по видеосвязи, а вживую 🦾 Несколько кадров с выставок, и самое ценное, как обычно, остается внутри команды: выводы, новые направления работы, сотрудничества и партнерства, идеи будущих проектов и развития искусственного интеллекта во вполне прикладных и нужных рынку задачах. #новости_neurocore

🌟 Вдогонку к посту про металлургию — ещё одна мысль (оформленная в статью) На производстве не все получается сделать руками. Оборудование стареет. Людей на обходы и визуальный контроль не хватает. Часть зарубежного софта и камер живут без обновлений. Навигация работает с помехами. Именно здесь машинное зрение нужно здесь и сейчас, не “на вырост”, а для нормальной ежедневной работы. Сегодня. Есть и второй слой, о котором обычно вспоминают позже. Для промышленности мало собрать ML-модель. Её нужно встроить в локальный контур, подружить с существующим железом, запустить под российской ОС, оставить без облачной зависимости и сделать так, чтобы всё это жило в условиях реальной промышленной эксплуатации. Об этом и написали в нашей статье: без общих разговоров, через конкретные сценарии: утечки, износ, СИЗ, удалённые объекты, санкции на стек, переход на Astra Linux и требования к импортонезависимости. Статья уже на сайте. Приятного чтения! 🌟 А если вы планируете внедрение ИИ, но не знаете, как к этому подступиться, сколько это стоит и чего ожидать от внедрения - напишите нам @neurocore_ai Найдем точки роста вашего бизнеса за счет внедрения ИИ, видеоаналитики и машинного зрения. #статья

Несколько мыслей после форума по металлургии Признайтесь, вы ведь когда-то тоже думали, что роботы заберут у человека весь физический труд, а нам останется только интеллектуальная работа? Безусловно, роботизация и автоматизация активно развиваются, но, вместе с тем, ИИ всё увереннее забирает куски так называемой «интеллектуальной» рутины: смотреть, анализировать, распознавать отклонения, не пропускать опасные ситуации.

Порой, это весьма непривычные задачи: следить за износом футеровки ковша, выявлять нестабильность дуги в печи до перерасхода энергии, замечать неправильную геометрию полосы прокате, искать теплопотери и нештатные температурные рисунки на узлах, видеть ранние изменения в вибрации и токе двигателя и много чего интересного умеет ИИ, если его этому обучить!

Съездили на форум по металлургии и горнодобывающей промышленности. Пообщались с партнёрами и завязали новые интересные знакомства. Если коротко, ИИ в металлургии сегодня - не абстрактный «умный завод», это скорее прикладные вещи: 🌺контроль дефектов паллет 🌺контроль СИЗ и безопасности рядом с погрузчиком 🌺ТОиР и наблюдение за состоянием оборудования И это, пожалуй, самое интересное. Самые сильные сценарии лежат не в футуристичных презентациях, а в задачах, которые раньше зависели от человеческого фактора: заметил / не заметил, успел / не успел, ошибся / не ошибся. Несколько кадров с места. Спасибо организаторам за возможность посмотреть на отрасль не снаружи, а изнутри!

👀Мы отсмотрели тысячи снимков с грибными спорами прежде чем поняли, в чем дело Нужных нам данных там не было! Новый кейс в новой для нас сфере. Чему мы учили модель: распознавать 18 классов пыльцы и спор грибов по реальным микропрепаратам. В чем сюрприз: для двух целевых классов — Alternaria и Cladosporium — готовых обучающих изображений в открытых источниках вообще не нашлось. Что было дальше: экспертная разметка снимков вместе с палинологами, дообучение модели на материалах заказчика и сборка сервиса под реальную лабораторную задачу. Планка по качеству была высокой — не ниже 90%. Чтобы выйти на такой уровень, нужны уже не единичные примеры, а тысячи микроснимков по каждому классу. Как мы это все сделали? Читайте на сайте!

NeuroCore — не код, а люди. Игнат Ушев.  Продолжаем знакомство с командой NeuroCore. Сегодня слово руководителю продуктового направления в нашей команде. Всем привет, это Игнат Ушев. В NeuroCore отвечаю за продуктовый портфель AI. Моя работа - переводить разговор об ИИ из плоскости технологий в плоскость результата: не как работает ИИ, а зачем он работает. Машинное зрение и видеоаналитика для меня уже "родные" направлению. До NeuroCore развивал направление видеоаналитики в Trassir. Это мощный профессиональный урок, который приземлил взгляд на рынок: между “модель умеет” и “решение работает в эксплуатации” почти всегда лежит самый сложный участок работы. В NeuroCore моя ключевая задача в том, чтобы AI-решения не оставались набором моделей и демо-сценариев, а собирались в понятные продукты с логикой, интерфейсом, внедрением и бизнес-смыслом. А внимательные подписчики уже знают меня как спикера на отраслевых площадках и конференциях, подкастах. Я вхожу в жюри AI-акселераторов - отличный способ держать руку на пульсе рынка и видеть, где технология действительно взрослеет, а где пока больше громких слов, чем пользы. Наверное, поэтому мне и интересен AI: здесь уже мало кого удивишь самой технологией. Важно другое - чтобы ИИ работал и приносил результат бизнесу. Красивых презентаций и дорогих игрушек, поверьте, уже хватает. 💬 Следите за публикациями о команде по тегу #команда_NeuroCore

Игла в стоге сена - это не метафора 🔎 Это (почти) реальная бизнес задача, например, когда в огромном контейнере с легальной электроникой нужно заметить один объект с аномальной плотностью - и сделать это быстро, без остановки потока машин на таможне. Контейнер снаружи выглядит как обычный груз, внутри - многослойный хаос из металла, пластика, органики и упаковки. Аномалия может быть маленькой, спрятанной глубоко и визуально почти неотличимой от легального содержимого. В новой статье на сайте разбираем: 🌺почему досмотр контейнеров - это буквально поиск иглы в стоге сена 🌺как компьютерное зрение помогает искать аномалии в карго грузовиках 🌺почему «коробочные» AI-решения здесь не работают и какие перспективы у ИИ в этой отрасли 🌟 Читайте статью на сайте Если вам интересны не общие разговоры про ИИ, а реальные ограничения, физика процесса и логика таких решений - читайте @NeuroCore, ставьте реакции, пишите комментарии ♥️🔥

🌟 Вкусный кейс! Потому что он про эскимо Любите эскимо? Оказывается, покрытие мороженого шоколадом - это целый стандарт, за соблюдением которого теперь следит машинное зрение 🔎👀

На линии мороженого брак видно не всегда. Но рекламации потом видны очень хорошо. Это живые деньги бизнеса, незаработанные и потерянные.

Поэтому дефекты продукции нужно выявить прямо на линии, до отгрузки партнерам и торговым сетям. Причём быстро: проверять каждое изделие поштучно - ресурсоемко, нужно быстро изучить партию сразу из 6 эскимо. Компьютерному зрению на основе ИИ такая задача под силу! 🦾 В нашем свежем кейсе рассказали, как мы подступились к этой задаче и раскрыли интересные инженерные нюансы. Ключевая метрика: снижение брака с 2–3% до менее 0,5% и полная фиксации всех случаев брака. Кейс уже на сайте - приятного чтения! А все любители эскимо - сигнальте нам 🔥, посмотрим, сколько нас тут, на канале NeuroCore!

🌟 NeuroCore - не код, а люди 🌟 Продолжаем показывать тех, кто делает наши проекты сильнее. Сегодня знакомим с Владом, экспертом по ML и преподавателем в ШАД Яндекс. Всем привет, я Влад Калинин. Что я делаю в NeuroCore? Если очень упростить, моя работа начинается в тот момент, когда модель вроде бы обучается, но задачу клиента/заказчика/бизнеса всё равно не решает. Пример из практики: работа с физически-информированными нейросетями. Это модели, в которые помимо данных закладывают ещё и законы физики. В чем их сложность: берёшь стандартную схему, задаешь уравнение, запускаешь обучение - и сначала кажется, что всё идёт нормально, а потом модель начинает "хитрить":

перестает описывать реальный процесс и начинает выдавать формально корректный, но бесполезный результат. Тут я включаюсь и начинается нормальная работа: не перезапускать обучение по кругу, а понять, где модель пошла по лёгкому пути и как вернуть её к реальному решению задачи.

Сразу под этим постом оставлю 2 свои статьи, для тех, кому интересно посмотреть на тему глубже и с технической стороны. А еще я преподаю ML в ШАД Яндекса, выступаю на профильных конференциях, работаю с open-source и исследовательскими задачами. Но для меня важнее другое: чтобы вся эта экспертиза не оставалась в статьях и слайдах, а работала в NeuroCore - в реальных задачах, где от модели нужен не красивый эксперимент, а бизнес-результат.

Для меня ML - не магия, не красивые демки.

Это момент, когда ты наконец понимаешь, почему решение не работает, и можешь это исправить. И оно работает 🦾 💬 Следите за публикациями о команде по тегу #команда_NeuroCore

"Рыбные кейсы" NeuroCore 🐟 Рыба - один из самых сложных объектов для компьютерного зрения. И вот почему.

Вода, лед, блики, постоянное движение, одинаковая форма объектов, перекрытия. Это все нужно вписать в реальные бизнес-процессы: учет рыбин, списания, безопасность, FIFO.

Мы собрали три проекта, в центре которых - рыба. С удовольствием рассказываем о них: 1. Подсчет рыбы на борту судна 🌺Задача: подсчет рыбы без ошибок, задвоений, скачков и «плавающих» результатов по партии. 🌺Вызов: до 100 рыб в кадре, плотные скопления, перекрытия, брызги, нестабильная съемка. Как мы справились? Читайте кейс на сайте 2. Контроль выкладки свежей рыбы и соблюдение FIFO (ритейл) 🌺Здесь проблема уже не в распознавании, а в управлении процессом. 🌺Важно не просто видеть рыбу, а понимать: сколько она лежит на льду и когда её нужно переработать. 🌺Система отслеживает каждую единицу, ведет таймер и сигнализирует персоналу: что именно и когда нужно убрать или обновить. Какой результат получил бизнес? Читайте в кейсе! 3. Контроль СИЗ на сотрудниках на производстве по переработке рыбы 🌺Задача звучит стандартно: каски, перчатки, контроль нарушений. 🌺Реальность - плотные потоки сотрудников, перекрытия, одинаковая форма, сложная среда. Классическая детекция «по кадру» здесь не работает. Мы пошли через трекинг и анализ последовательности действий. Читать кейс на сайте. Эти три кейса объединяет не только рыба. Их объединяет мысль о том, что главная сложность - не нейросеть, а реальная среда и бизнес-логика клиента. Если у вас похожая ситуация: сложные объекты в видеопотоке, ошибки учета или потери — напишите нам @NeuroCore_ai !, посмотрим задачу и предложим решение под ваши условия.

"Рыбные кейсы" NeuroCore 🐟 Рыба - один из самых сложных объектов для компьютерного зрения. И вот почему.

Вода, лед, блики, постоянное движение, одинаковая форма объектов, перекрытия. Это все нужно вписать в реальные бизнес-процессы: учет рыбин, списания, безопасность, FIFO.

Мы собрали три проекта, в центре которых - рыба. С удовольствием рассказываем о них: 1. Подсчет рыбы на борту судна 🌺Задача: подсчет рыбы без ошибок, задвоений, скачков и «плавающих» результатов по партии. 🌺Вызов: до 100 рыб в кадре, плотные скопления, перекрытия, брызги, нестабильная съемка. Как мы справились? Читайте кейс на сайте 2. Контроль выкладки свежей рыбы и соблюдение FIFO (ритейл) 🌺Здесь проблема уже не в распознавании, а в управлении процессом. 🌺Важно не просто видеть рыбу, а понимать: сколько она лежит на льду и когда её нужно переработать. 🌺Система отслеживает каждую единицу, ведет таймер и сигнализирует персоналу: что именно и когда нужно убрать или обновить. Какой результат получил бизнес? Читайте в кейсе! 3. Контроль СИЗ на сотрудниках на производстве по переработке рыбы 🌺Задача звучит стандартно: каски, перчатки, контроль нарушений. 🌺Реальность - плотные потоки сотрудников, перекрытия, одинаковая форма, сложная среда. Классическая детекция «по кадру» здесь не работает. Мы пошли через трекинг и анализ последовательности действий. Читать кейс на сайте. Эти три кейса объединяет не только рыба. Их объединяет мысль о том, что главная сложность - не нейросеть, а реальная среда и бизнес-логика клиента. Если у вас похожая ситуация: сложные объекты в видеопотоке, ошибки учета или потери — напишите нам @NeuroCore_ai !, посмотрим задачу и предложим решение под ваши условия.

🟡Код не объяснит ИИ-модели, что делать Вы можете писать на Python, PyTorch, TensorFlow. Но модель учится работать не на коде. Она учится на размеченных данных, которые говорят: ⏺что считать объектом ⏺где границы классов объектов ⏺что является «правильным» ответом

По сути, разметка - это и язык, на котором вы формулируете задачу для ИИ.

И здесь начинается самое дорогое. Например, у OpenAI: 🌺десятки тысяч аннотаторов и экспертов 🌺многоуровневая разметка (инструкции, ответы, ранжирование) 🌺бюджеты на подготовку и выравнивание данных оцениваются в сотни миллионов долларов Потому что без этого модель не становится управляемой. Руководитель проектов по сбору данных в NeuroCore Роман Федоров в коротком видео поделился профессиональным мнением о том, почему на разметку тратятся колоссальные бюджеты и почему без этого не работает ни одна ML-система. ✅А если вы создаете ИИ-проект, которому нужны сбор или разметка данных - мы к вашим услугам: напишите нам в @NeuroCore_ai !

🌟Как мы закрываем 90% задач за 60 минут. В ИТ-контуре клиента. Случился интересный кейс.

К нам пришёл маркетплейс с такой бизнес-проблемой: каждая карточка товара перед публикацией проходит проверку и разметку: категория, атрибуты, правила. Поток — сотни тысяч в месяц, с резкими пиками. Чтобы держать скорость, нужна большая команда.

Реальность: — собственная команда, даже инхаус, обходится дорого и не выдерживает пики — аутсорс (сторонние исполнители) не встраивается в процессы → падает скорость разметки — данные нельзя выносить из инфраструктуры, работа строго в контуре клиента Мы в NeuroCore собрали решение под эти ограничения - выделенный отдел разметки, который: 🌺работает внутри инфраструктуры клиента 🌺встроен в его процессы и интерфейсы 🌺управляется как сервис, а не как «внешние люди» И самое важное — запустили его сразу в боевом режиме, без просадки по скорости. Что получилось: ✅закрываем более 300 000 задач в месяц ✅90% задач обрабатываются в течение 60 минут с момента появления ✅команда 30+ человек ✅прозрачный контроль и мониторинг в реальном времени Разметка — это не операционный слой. Это критический элемент продуктовой и ML-инфраструктуры. Кейс полностью - на сайте. А в карточках подсветили ключевые моменты кейса, листайте карусель! У вас похожая задача? Опишите нам ее @NeuroCore_ai - и мы обязательно найдем ее решение!

Мы номинанты Data Awards 2026 Это премия про реальные внедрения data-driven подхода. Не красивые демо и впечатляющие презентации, а системы, которые работают в проде, влияют на бизнес и принимают на себя нагрузку. Участники Data Awards - команды, которые строят инфраструктуру работы с данными: от хранения и обработки до прикладных AI-решений, которые становятся частью операционных процессов. Мы заявили туда свой кейс про X-Vision. Вышла статья, где подробно разобрали этот проект.

Это решение для досмотровых комплексов (интроскопов) для аэропортов, пунктов контроля, объектов с высокой нагрузкой и требованиями к безопасности. Ключевая идея: ИИ, который работает поверх существующего оборудования, без его замены, в реальном потоке.

Но главное здесь не сама модель. Главное - научить её стабильно работать в условиях, где: 🌺поток не останавливается 🌺ошибки стоят дорого 🌺данные далеки от «идеальных датасетов» 🌺а инфраструктура уже давно живёт своей жизнью В статье разбираем: — как родилась идея — какие задачи решает продукт — и где начинается настоящая инженерия, когда ИИ выходит из лаборатории Для нас это важный проект и важный этап. Спасибо всем, кто рядом: кто читает, спорит, задаёт неудобные вопросы, даёт фидбек и проверяет нас на прочность. Без этого такие системы просто не появляются!🦾

🎮Как заставить игровую модель поработать дизайнером интерьеров? На днях наш коллега экспериментировал с генеративным ИИ. Взял модель, которая изначально создана для генерации игровых сцен. И попробовал заставить её работать как дизайнера или хоумстейджера! Идея была простая: дать модели реальную геометрию комнаты и заставить её работать внутри него. Вот как это получилось. Сначала модель разбирает фотографию комнаты и понимает геометрию: стены, окно, где стоят радиаторы, мебель, пропорции. По сути строится карта пространства - где что находится и сколько занимает. Дальше подключается генеративная модель, которая отвечает уже за визуальный стиль. Она получает не просто текстовый промпт вроде «сделай интерьер», а точные ограничения по пространству. Самая сложная часть - синхронизировать эти два мира.

Одна модель думает геометрией, другая - визуальными образами. Если их просто соединить, генеративка начинает «галлюцинировать»: переставляет окна, двигает стены, меняет пропорции.

Поэтому пришлось сделать слой калибровки - чтобы генерация жёстко следовала структуре комнаты, а не рисовала новую. 💻Весь пайплайн собрался локально через ComfyUI - без облаков и API. 🌺На входе - обычная фотография комнаты. 🌺На выходе - интерьерный эскиз, где мебель и элементы пространства, которые квартире, сохраняют реальные размеры и расположение. Но самое интересное произошло на выходе. 🌺Модель не просто сгенерировала интерьер. 🌺Она перенесла реальные детали из референса практически один в один.

Например, стойка с GPU-серверами (ее фото прикрепили отдельно, чтобы могли убедиться в работе модели) появилась в новом интерьере с теми же пропорциями и внешним видом!

То есть это уже не просто «картинка по промпту», а попытка заставить генеративный ИИ работать внутри физической геометрии пространства. И это намного сложнее, чем кажется. Мы часто слышим, что нейросети - это «инструмент». Для нас в NeuroCore они давно стали чем-то большим. Это и работа, и инженерный челлендж, и иногда просто способ поиграть с идеями вечером. Иногда такие эксперименты рождаются из чистого любопытства - а потом превращаются в реальные технологии. А у вас как? Нейросети - инструмент, работа или уже немного хобби? 🙂

А что, если не платить за датасет, а собрать его силами своей команды? Звучит заманчиво? Руководитель проектов по сбору данных в NeuroCore Роман Федоров рассказал про три самые частые ошибки при сборе и разметке данных силами штатных сотрудников, которые могут стоить бизнесу неплохих денег. 🗣А мы делимся своими интересными кейсами по разметке данных - мы в NeuroCore не только разрабатываем нейросети, но и собираем и размечаем датасеты: 🌺Датасет вечной мерзлоты для AI-мониторинга 🌺Обучаем ИИ распознавать оружие 🌺Разметка данных для маркетплейса с SLA: 90% задач за 60 минут 🌺Датасет для распознавания драк и агрессивного поведения 🌺500 000+ МРТ-снимков для обучения ИИ-диагностики позвоночника Хотите, чтобы мы публиковали кейсы по сбору и разметке данных на канале? Сигнальте огоньками!🔥

Запросы на внедрение ИИ сегодня приходят не только от стартапов и бигтеха 🌟 Вы не поверите, но значительная часть реальных внедрений сегодня происходит совсем в другой среде: в инфраструктуре государства и крупных отраслей. Там задачи менее медийные, но более прикладные и полезные: ⏺ мониторинг незаконных свалок ⏺ контроль добычи полезных ископаемых ⏺ анализ инфраструктуры и транспорта ⏺ промышленная безопасность ⏺ экологический мониторинг

Во многих таких процессах до сих пор работают люди с таблицами, отчётами и ручными проверками.

ИИ позволяет перевести эти задачи в режим автоматического контроля и аналитики. Недавно мы провели экспертный вебинар о применении ИИ в государственном секторе, где разобрали реальные сценарии внедрения. Один из таких сценариев - достаточно неожиданный - в видео! Также разобрали, какие технологии реально используются в таких проектах: компьютерное зрение, лидары, аналитические платформы и интеграции с государственными системами. Если тема ИИ в промышленности и госсекторе интересна - сигнальте реакциями👀, будем чаще делиться такими материалами!

«Я так чувствую… код» Вайбкодинг - одна из самых обсуждаемых тем в ит-кругах, да и за их пределами. Ведь это, по сути, революция:

формулируешь задачу → LLM генерирует код → система начинает работать.

✖️Скорость разработки растёт радикально. 🧭MVP появляются за часы. 🖌Прототипы - за один вечер. Но вместе с этой скоростью индустрия сталкивается с новым классом инженерных проблем. И их уже хорошо видят CTO и ИТ-архитекторы. ⏺Где проходит граница применимости вайбкодинга? ⏺Почему одни команды ускоряются в разы, а другие накапливают технический долг? Решили открыто поговорить об этом в новой статье: — что на самом деле стоит за термином «вайбкодинг» — где он действительно полезен — где начинаются архитектурные риски — и как меняется роль продакта и CTO Читайте статью в блоге! И сигнальте 🔥, если тема интересна!

⚫️Иногда лучший ответ заказчику: НЕТ🗣 Конечно, как и все разработчики, мы сталкиваемся с нереалистичными ТЗ, в частности, с ТЗ на сбор данных для обучения ИИ-моделей. Сложных ТЗ не нужно бояться, но с ними нужно научиться работать: оценивать реалистичность задачи до того, как на нее потрачены сотни человеко-часов и тысяч рублей. Руководитель проектов по сбору данных в NeuroCore Роман Федоров рассказал про один из таких кейсов. Кстати, от задачи мы не отказались, просто сделали ее реалистичной и достижимой. Откликается наш подход? Добавьте 🔥 в реакциях!